本文介绍了一种新的聚类方法 ——Sparse Convex Clustering，该方法采用一种正则化形式的凸聚类方法来进行特征选择，并使用基于聚类稳定性的调整标准来优化聚类效果。作者通过多种数值实验和真实数据应用验证了该聚类方法的有效性。
Jan, 2016
本文研究了流行的谱聚类算法的一致性，并开发了新方法来证明谱聚类算法的一致性。结果表明，规范化聚类在非常普遍的条件下是一致的，而未规范化聚类只在强附加假设下是一致的。因此，规范化谱聚类算法是优越的。
Apr, 2008
针对独立同分布样本的密度的对数凹最大似然估计器的理论性质进行了阐述，对真实的基础密度为对数凹和误差模型两种情况进行了研究，证明了对于对数凹密度序列，分布收敛意味着强类型的收敛，而且在某些指数加权的总变异规范下甚至意味着 Hellinger 距离的收敛。在主要结果中，证明了所有对数凹密度中最小化 Kullback-Leibler 分歧的对数凹密度的存在性和唯一性，并且还展示了对于这些指数加权的总变异规范收敛于这个最小化器的对数凹最大似然估计器。在正确规定模型的情况下，这证明了估计器的一种强的一致性；在误设模型的情况下，它表明估计器收敛于最接近真实密度的 Kullback-Leibler 意义下的对数凹密度。
Aug, 2009
本文研究了密度估计器线性和凸聚合的问题，并提供相应的程序及其风险的奥卡尔不等式，以及相似核函数的线性和凸聚合方案可在 Sobolev 密度族中进行一致最优的最小化。
May, 2006
本文提出了一种基于局部策略的多核学习方法，采用凸优化算法和 Fenchel 对偶表示，对于应用于计算生物学和计算机视觉等应用领域的真实数据集，相比全局和非凸局部策略，此方法能够获得更高的预测准确性。
Jun, 2015
本文探讨了多元广义高斯分布（MGGD）和椭圆对称分布下的协方差估计的最大似然优化问题，提供了一种新的基于测地线凸性分析该似然函数的方法以及通过结构化稀疏性限制的广义协方差估计框架。
Apr, 2013
本文采用公理化方法研究聚类理论，提出一套符合逻辑的公理并通过对单联通聚类函数的抽象属性进行分类，为用户提供了选择合适聚类范例的指导。
May, 2012
该研究提出了一种基于凸优化的算法，可以在低维度空间中进行流形学习和聚类，相比于传统方法，该算法获得了更有结构的聚类结果并取得了很好的性能表现。
Nov, 2014
本文介绍了 log-concave density estimation 和 traditional nonparametric smoothing techniques (例如 kernel density estimation) 之间的一些优点和最新进展。
Sep, 2017
本文提出两种方法（ADMM 和 AMA）解决凸聚类问题，旨在避免局部最小值问题，提高算法效率。实验结果表明，AMA 相比 ADMM 在复杂度和准确率方面更优。